당신이 자동차가 왜 시동이 걸리지 않는지 알아내야 하는 것처럼, 거대하고 복잡한 미스터리를 풀려고 노력하고 있다고 상상해 보세요. 당신에게는 자동차에 관한 모든 매뉴얼을 읽은 아주 똑똑한 탐정이 있습니다. 이 탐정은 모든 부품의 이름, 모든 엔진 소리, 그리고 모든 모델의 역사를 알고 있습니다. 하지만 문제는 이 탐정이 실제 문제를 해결하는 '과정'에 있어서는 조금 덜렁거린다는 점입니다. 만약 당신이 차를 고쳐달라고 요청하면, 탐정은 "난 자동차에 대해 모르는 게 없어! 그냥 엔진을 꺼내고, 변속기를 교체하고, 타이어를 바꾸고, 만약을 대비해서 차 전체를 빨간색으로 칠하자!"라고 말할지도 모릅니다. 이 탐정은 지식은 풍부하지만, 계획이 없습니다. 어떻게 시간과 비용을 아껴야 하는지 모르며, 간단한 단서부터 확인하는 대신 성급하게 비싼 결론으로 뛰어듭니다.

이것이 바로 과학자들이 의료 분야의 인공지능(AI)에서 직면하고 있는 문제입니다. 우리는 "대규모 언어 모델(LLM)"이라는 것을 만들어냈는데, 이는 마치 그 똑똑하지만 덜렁거리는 탐정과 같습니다. 이들은 수백만 권의 의학 서적을 읽었으며 질병에 대해 엄청난 양의 지식을 가지고 있습니다. 하지만 의사들이 환자를 진단하기 위해 이들을 사용할 때, AI는 종종 그 덜렁거리는 탐정처럼 행동합니다. 확실히 하기 위해서 병원의 모든 검사를 주문하라고 제안할 수도 있는데, 이는 어떤 검사가 비싸고, 고통스럽고, 불필요한지를 무시하는 행동입니다. 이것을 "지식-추론 간극(knowledge-reasoning gap)"이라고 부릅니다. AI는 사실은 알고 있지만, 스마트하고 비용 효율적인 결정을 내리기 위해 논리적으로 사용하는 데 어려움을 겪습니다. 이 논문, GraphDx는 탐정에게 지도와 따라야 할 엄격한 규칙을 제공함으로써, 혼란스러운 브레인스토밍 세션을 정밀하고 단계적인 조사로 바꿈으로써 이 문제를 해결하고자 합니다.

---

이 논문의 핵심 아이디어: AI에게 지도 제공하기

여러 대학의 연구팀인 이 논문의 저자들은 단순히 AI에게 더 많은 의학 서적을 먹이는 것만으로는 충분하지 않다는 것을 깨달았습니다. AI는 정확한 진단과 의료 검사 비용 사이의 균형을 맞추면서, 환자의 증상을 단계별로 추론할 수 있도록 정보를 조직화하는 방법이 필요했습니다. 그들은 GraphDx라고 불리는 새로운 시스템을 구축했습니다.

현재의 AI 접근 방식을 건더미 속에서 바늘을 찾는 과정에서 추측하는 것에 비유해 봅시다. 당신이 AI에게 "이게 무엇일 수 있을까?"라고 물으면, AI는 "꽃가루 알레르기", "다리 골절", 또는 "독감"이라고 추측한 뒤, 만약을 대비해 달로 가는 티켓을 사라고 제안할 수도 있습니다. GraphDx는 **의료 진단 지식 그래프(Medical Diagnosis Knowledge Graph, MDKG)**를 구축함으로써 게임의 판도를 바꿉니다.

이 그래프를 인체의 거대하고 인터랙티브한 지하철 노선도라고 상상해 보세요.

• **역(Stations)**은 질병(예: "독감" 또는 "골절")입니다.
• **노선(Lines)**은 질병과 그 증상(예: "발열" 또는 "부종")을 연결합니다.
• **티켓(Tickets)**은 의료 검사(예: "혈액 검사" 또는 "X-ray")입니다.

하지만 이것은 평범한 지도가 아닙니다. 저자들은 이 지도에 기존의 지도들이 갖지 못한 특별한 초능력을 부여했습니다:

1. 전형성 라벨(Typicality Labels): 이 지도는 어떤 증상이 "특징적(Hallmark)"인지(예: 독감의 경우 발열처럼 매우 흔한 것), 그리고 어떤 것이 "희귀(Rare)"한지(매우 드문 경우)를 알고 있습니다.
2. 비용 태그(Cost Tags): 지도상의 모든 검사에는 가격표와 "통증 수준"이 붙어 있습니다. 지도는 빠른 혈액 검사가 저렴하고 쉽다는 것을 아는 반면, 전신 CT 스캔은 비싸고 침습적이라는 것도 알고 있습니다.
3. 행동 중심 경로(Action-Centric Paths): 이 지도는 단순히 "발열은 독감과 함께 나타난다"라고 말하지 않습니다. 대신 "발열이 보이면, 이를 확인하기 위한 구체적인 검사는 이것이며, 비용은 이 정도이다"라고 말합니다.

GraphDx의 작동 방식: 세 명의 헤드 탐정 팀

이 지도를 사용하기 위해 저자들은 서로 협력하는 세 명의 AI 에이전트 팀을 만들었습니다. 이들은 단순히 대화만 하는 것이 아니라, 각자 특정한 역할을 맡고 있습니다.

1. 인지 에이전트 (듣는 역할 - The Perception Agent): 이 에이전트는 환자의 말을 듣습니다. 만약 환자가 "배가 아프고 어지러워요"라고 말하면, 이 에이전트는 이를 지도의 언어로 번역합니다. 이 에이전트는 지하철 지도에서 "복통"과 "어지럼증" 역을 찾아내고 이를 "존재함(Present)"으로 표시합니다.
2. 추론 에이전트 (항해사 역할 - The Reasoning Agent): 이들은 작전의 두뇌입니다. 지도에 표시된 역들을 살펴보고 계산을 시작합니다. "환자가 복통과 어지럼증이 있다면, 어떤 질병이 가장 가능성이 높을까?"라고 묻습니다. 이들은 지도의 "전형성" 라벨을 사용하여 질병의 점수를 매깁니다. 그런 다음, "비용 태그"를 살펴보고 다음으로 가장 좋은 움직임이 무엇인지 파악합니다. 수많은 검사를 주문하는 대신, "가장 적은 비용으로 가장 많은 정보를 줄 수 있는 단 하나의 검사는 무엇인가?"라고 묻습니다. 예를 들어, "혈당을 먼저 체크하자. 저렴하고 당뇨병을 배제할 수 있으니까"라고 말할 수 있습니다.
3. 결정 에이전트 (말하는 역할 - The Decision Agent): 이 에이전트는 항해사의 계획을 받아 환자에게 전달합니다. 적절한 질문을 던지거나 적절한 검사를 자연스럽고 친절한 방식으로 요청하거나 주문합니다.

결과: 더 스마트하고, 더 저렴하며, 더 안전하게

저자들은 두 가지 다른 환경에서 이 새로운 시스템을 테스트했습니다: 의학 시험 문제 세트(MedQA)와 실제 환자 기록 모음(MIMIC-IV)입니다. 그들은 GraphDx를 표준 AI(덜렁거리는 탐정) 및 다른 고급 AI 팀들과 비교했습니다.

결과는 인상적이었습니다. 시뮬레이션에서:

• 정확도(Accuracy): 표준 AI는 약 **50%에서 68%**의 확률로 진단을 맞혔지만, GraphDx는 이를 **79%에서 93%**까지 끌어올렸습니다.
• 비용(Cost): 표준 AI는 매우 낭비적이었으며, 종종 비싼 검사를 주문했습니다. GraphDx는 검사 비용을 20%에서 54% 줄였습니다. 예를 들어, 한 데이터셋에서 평균 비용이 케이스당 $1,062에서$537로 감소했습니다.
• 효율성(Efficiency): GraphDx는 돈을 아꼈을 뿐만 아니라 시간도 아꼈습니다. AI가 안전을 위해 모든 검사를 주문하는 "방어 진료(defensive medicine)"의 함정을 피했습니다.

또한 논문은 GraphDx가 이전에 본 적 없는 질병을 마주했을 때도 효과적으로 작동함을 보여주었습니다. 지도가 일반적인 규칙(예: "흉통은 보통 심전도 검사로 이어진다")을 기반으로 구축되었기 때문에, 특정 질병이 지도에 없더라도 시스템은 여전히 효과적으로 길을 찾을 수 있었습니다.

이것이 의미하는 바 (그리고 의미하지 않는 것)

저자들은 자신들이 무엇을 달성했고 무엇을 달성하지 못했는지 매우 명확하게 밝히고 있습니다. 그들은 엄격한 시뮬레이션과 LLM 기반 평가를 통해, 구조화된 지도와 비용을 고려한 플래너를 추가하는 것이 단순히 가공되지 않은 언어 모델을 사용하는 것보다 AI가 더 나은 의료 결정을 내리는 데 도움이 된다는 것을 입증했습니다. 그들은 GraphDx가 기존의 베이스라인 모델들을 크게 능가한다는 것을 보여주었으며, 이는 기본 모델의 순수한 지능이나 텍스트 양에만 의존하는 것이 아니라, 추론 과정의 구조가 성능을 향상시키는 데 결정적인 요소임을 시사합니다.

하지만 그들은 몇 가지 한계점도 지적합니다. 이 시스템은 현재 시뮬레이션입니다. 이는 "환자" 역할 또한 AI가 수행하는 컴퓨터 환경 내에서 작동합니다. 저자들은 실제 환자는 시뮬레이션이 허용하는 것보다 더 모호하거나, 혼란스러워하거나, 읽어내기 어려울 수 있다고 언급합니다. 또한 지도를 만드는 것 자체가 AI에 의해 이루어지므로, 만약 지도를 만드는 AI가 실수를 한다면 지도 자체가 틀릴 수 있다는 점도 인정합니다.

가장 중요한 점은, 저자들이 이 시스템이 현재 의사들이 실제 환자에게 사용할 수 있는 도구가 아님을 명시했다는 것입니다. 이것은 AI가 미래에 어떻게 작동할 수 있는지를 보여주는 연구용 도구입니다. 그들은 반드시 인간 의사가 개입되어야 함을 강조합니다.

요약하자면, GraphDx는 우리가 AI를 훌는 의사로 만들고 싶다면, 단순히 도서관의 책들을 주는 것만으로는 부족하다는 것을 시사합니다. 우리는 AI에게 지도와 예산, 그리고 계획을 주어야 합니다. 그렇게 함으로써 AI는 추측을 멈추고 문제를 해결하기 시작하며, 그 과정에서 돈과 생명을 모두 구하게 됩니다.